PENG Bo 2025-01-18 17:54 广东
RWKV-7 style RNN（目前还包括 Gated DeltaNet，Titans 等等）的表达力，已经在很多方面严格高于 attention。
?Tips转自知乎用户 PENG Bo，原文链接：https://www.zhihu.com/question/9630107500/answer/82028592949
现在国内友商也开始验证 RNN 的 scaling，很欣慰。
我说过很多次，RNN 的 scaling 比 GPT 强。
因为现在的新型 RNN 在扩大后，state 也随之扩大，这是额外的收益。
例如 headsz64 的 1B 的 state 是 24x2048x64 = 3145728 维。
而 headsz64 的 7B 的 state 是 32x4096x64 = 8388608 维。
MiniMax-01 用了 RWKV-5 style（实际是 RetNet-改）的简单衰减，因为他们认为，如果有 attention，那么 RNN 层可以弱些（弱的训练快）。
但当你用 RWKV-7 作为 RNN，你会反而发现，把层换成 attention 不再降 loss，所以不需要 attention。
你的 RNN 得足够强，才有这个现象。
如果你发现把层换 attention 会降 loss，就说明你的 RNN 不够强。
因为 RWKV-7 style RNN（目前还包括 Gated DeltaNet，Titans 等等）的表达力，已经在很多方面严格高于 attention。
值得指出，很多论文压 baseline。如果实际测试，我们会发现 RWKV-7 在同等 statesz 下，总是最强最稳的。如果不信，可以联系我们测试。
RWKV-7 是完全开源开放的架构，欢迎大家用，也欢迎友商测试对比，我们会技术支持。
因为这里的生态链是【芯片 - 架构 - 模型 - 应用】，RWKV是独一无二的架构公司，我们会服务上下游的芯片和模型公司（当然，所有公司都会逐渐全部都做，哈哈）。
上个图，在炼的 RWKV-7 1.5B 相当强（表中炼了 72%，预计 1/28 炼好）：
表中的 RWKV 都是纯 base model. No eval-maxxing. No HQ-data annealing. No post-training. 同时 fully multilingual（支持100+种世界语言，这会降低英语分数，所以各种刷榜模型都不敢上世界语言，很多也不敢多上代码。qwen2.5为了代码能力也是牺牲了英语分数）。
有趣的是，rwkv7在MMLU显著变强了（这里没做eval-maxxing，别和各种刷榜模型比，如果我想刷同样可以+10%以上）：
rwkv6-v2.1-3b 32.38%
25%trained-rwkv7-v3-2b9 43.08%
35%trained-rwkv7-v3-2b9 45.24%
40%trained-rwkv7-v3-2b9 47.36%
rwkv6-v2.1-1b6 26.34%
38%trained-rwkv7-v3-1b5 33.89%
51%trained-rwkv7-v3-1b5 40.44%
60%trained-rwkv7-v3-1b5 40.77%
72%trained-rwkv7-v3-1b5 41.36%
我发现很多人不知道MMLU在测什么。
MMLU是选择题，这对于RNN模型特别难，因为transformer可以一直回看题干和ABCD选项，而RNN必须非常清晰地记住题干和ABCD选项。
你可以想想，如果有人口试你时，问你选择题，是不是难？是"盘外"的因素造成它难。
其实transformer没有记忆力，它对于每个token都需要重新看前文。RNN才有记忆力。
如果你换成，对每个选项算ppl之类，对于RNN就立刻简单了。
但 RWKV-7 style RNN 终于解决了选择题弱的问题，令人欣慰。说明它是真记住了，真懂了。
?Tips知乎原文链接：https://www.zhihu.com/question/9630107500/answer/82028592949
